ingest(youtube): nate herk jev 12 use cases - kosten konsistent, laufzeiten am limit

- raw: beschreibung+kapitel (kein transcript), bot-briefing-zahlen, eigene rechnung
- wiki neu: people/nate-herk
- wiki update: jev-praxis-demos (praxistests-workflow-ebene), system-one-models-jev (rezeption)
- index 232. update + log

raw/youtube/2026-09-19_nate-herk-jev-12-use-cases.md

@@ -0,0 +1,97 @@
+---
+type: youtube
+source_url: https://www.youtube.com/watch?v=ymgH8jS6Wb8
+retrieved: 2026-09-19
+channel: "Nate Herk | AI Automation"
+author_url: https://www.youtube.com/@nateherk
+duration_sec:
+has_transcript: false
+tags: [jev, typesafe-ai, nate-herk, praxistest, email-triage, kommentar-routing, evals, golden-dataset, kosten, rezeption]
+---
+
+# Nate Herk: „I Tested Jev on 12 Real Use Cases. My Honest Thoughts." (19.09.2026)
+
+## Metadaten (lokal verifiziert, Abruf 19.09.2026 ~21:25 UTC)
+
+- **Titel:** „I Tested Jev on 12 Real Use Cases. My Honest Thoughts." (YouTube-oEmbed)
+- **Kanal:** **Nate Herk | AI Automation** ([@nateherk](https://www.youtube.com/@nateherk))
+- **Video-ID:** `ymgH8jS6Wb8`
+- **Aufrufe beim Abruf:** **13.549**
+- **Länge:** ~16:08 (Angabe aus dem Bot-Briefing; auf der Watch-Seite kein `lengthSeconds`-Feld auslesbar)
+- **Veröffentlicht:** 19.09.2026 (Tagesangabe aus dem Begleitkontext; kein `publishDate` im Seitencode)
+- **Geteilt von:** Pit Weber, OME Topic „JEV", 19.09.2026 21:24 UTC
+- **Kein Transkript:** 0 × `captionTracks`; yt-dlp scheitert erneut am Bot-Check („Sign in to confirm you're not a bot", auch mit `--js-runtimes node`)
+
+## Beschreibung (wörtlich, aus der strukturierten Videobeschreibung)
+
+> Jev is an AI model built to make fast, low-cost decisions instead of writing or chatting.
+>
+> In this video, I test it across 12 real use cases, compare its speed and cost with traditional models, and show live builds including an X feed classifier and a real-time paper-trading prototype. You'll see where Jev fits, where it does not, and how to evaluate it before adding it to a production automation.
+
+Kapitelmarken der Beschreibung:
+
+```
+0:00  12 Jev Use Cases
+0:41  What Jev Is
+2:40  Speed, Cost & Limits
+5:28  Email Classification Benchmark
+8:33  Comments, Communities & Automations
+10:00 X Feed Chrome Extension
+10:57 Meetings & Video Clips
+12:50 Evals & More Use Cases
+14:13 Real-Time Trading & Handoffs
+15:45 Final Thoughts
+```
+
+Sponsor/Partner in der Beschreibung: Glaido (Sprach-zu-Text, Affiliate-Code), Hostinger (VPS, Rabattcode) — **werbliche Einbettung vorhanden**, aber nicht als „paid promotion" ausgewiesen.
+
+## Zahlen aus dem Video (über das Bot-Briefing von Herman, nicht am Video verifiziert)
+
+⚠️ **Diese Werte stammen aus der Zusammenfassung von HermanButlerBot im OME-Topic, nicht aus eigener Videoauswertung** (kein Transkript erreichbar). Die Beschreibung stützt nur die Themen (E-Mail-Klassifikations-Benchmark, X-Feed-Classifier, Paper-Trading-Prototyp, „wie man vor dem Produktiveinsatz evaluiert").
+
+| Test | laut Briefing |
+|------|----------------|
+| 1.000 E-Mails, 7 Entscheidungsregeln | zuerst ~**70 s / 9 Cent**, nach Parallelisierung **~6 s / 9 Cent** |
+| Vergleich im Video: LLM-Workflow für dasselbe | ~**5 min / 62 Cent** |
+| 1.000 E-Mails, eine Ja/Nein-Regel | ~**4 s / 5 Cent** |
+| 1.000 YouTube-Kommentare | ~**5 s / 5 Cent** |
+| Jev-Dashboard | knapp **20.000 Requests für 85 Cent** |
+
+## Eigene Rechnung (19.09.2026)
+
+Grundlage: dokumentierter Preis **$0,042/MTok Input**, dokumentierte Rate Limits **250.000 Token/s · 1.200 Requests/Minute** (`raw/other/2026-09-18_typesafe-docs-jev-spezifikation.md`).
+
+**a) Die Kostenwerte sind intern konsistent und passen zum Preismodell.**
+
+| Angabe | Ableitung aus dem Preis | Token pro Einheit |
+|--------|------------------------|-------------------|
+| 9 Cent (1.000 Mails, 7 Regeln) | **2,14 Mio. Token** | ~**2.143 Token pro Mail** |
+| 5 Cent (1.000 Mails, 1 Regel) | **1,19 Mio. Token** | ~**1.190 Token pro Mail** |
+| 5 Cent (1.000 Kommentare) | **1,19 Mio. Token** | ~**1.190 Token pro Kommentar** |
+| 85 Cent (20.000 Requests) | **20,24 Mio. Token** | ~**1.012 Token pro Request** |
+
+Die Differenz zwischen der 7-Regel- und der 1-Regel-Variante (≈950 Token) entspricht rund **160 Token pro zusätzlicher Frage** — plausible Größenordnung für kurze Frageformulierungen. Die 1.012 Token pro Request aus dem Dashboard liegen zwischen den beiden Mail-Werten und sind mit beiden vereinbar.
+
+**b) Die Laufzeiten liegen dagegen an oder über den dokumentierten Rate Limits.**
+
+| Lauf | Token (aus dem Preis) | nötige Rate | dokumentiertes Limit |
+|------|----------------------|-------------|----------------------|
+| 6 s für 2,14 Mio. Token | 2,14 Mio. | **~357.000 Token/s** | 250.000 Token/s → **1,43× darüber** |
+| 4 s für 1,19 Mio. Token | 1,19 Mio. | ~298.000 Token/s | → **1,19× darüber** |
+| 5 s für 1,19 Mio. Token | 1,19 Mio. | ~238.000 Token/s | ✅ innerhalb |
+| 70 s für 2,14 Mio. Token (erster Lauf) | 2,14 Mio. | ~30.600 Token/s | ✅ weit innerhalb |
+
+Zusätzlich die Request-Seite: Bei **einem Aufruf pro Mail** wären 1.000 Requests in 6 s rechnerisch **10.000 Requests/Minute** — das Achtfache des dokumentierten Limits von 1.200. Möglich ist das nur, wenn **mehrere Mails pro Aufruf gebündelt** werden (die 64k/32k-Kontextgrenzen erlauben bei ~2.100 Token pro Mail etwa 14 Mails pro Request), oder wenn für den Lauf ein höheres Kontingent galt. Die Zeitangaben des Videos sind damit **nicht als Widerspruch geführt, sondern als offene Frage**: entweder sind die Doku-Limits konservativ, oder es wurde ein erhöhtes Kontingent genutzt, oder die Stoppuhr ist optimistisch.
+
+## Weitere Angaben aus dem Briefing (nicht am Video verifiziert)
+
+- **Anwendungen:** E-Mail-/Support-Triage (Rechnung, Scam, Dringlichkeit, zuständiges Team, Sponsor-Fit); Kommentar-/Community-Routing (Antwort nötig, Kaufinteresse, Ideen, Sentiment, Churn-Risiko); X-Chrome-Erweiterung („Breaking", „Golden Nugget", „AI Slop"); Vorfilter für Clips, CRM-Einträge, Meeting-Transkripte, Verträge, Leads; Prototyp Paper-Trading.
+- **Grenzen laut Video:** Jev ersetzt kein LLM — es schreibt nicht, fasst nicht frei zusammen, erkennt keine offenen/unbekannten Muster; es braucht vorab definierte Fragen, Kategorien und Skalen. Für Browser-Steuerung muss es an ein Modell oder Werkzeug übergeben, das tatsächlich handelt.
+- **Empfehlung des Autors:** **Evals mit Golden Dataset** gegen stärkere LLMs — Genauigkeit, Kosten und Latenz je Workflow messen, bevor Jev in eine Produktionsautomatisierung wandert.
+
+## Offene Punkte
+
+- ⚠️ **Kein Transkript**, alle Zahlen über das Bot-Briefing — nicht am Video verifiziert.
+- ⚠️ Die Genauigkeit der Klassifikation (Trefferquote) wird im Briefing **nicht** als Zahl genannt; das Video vergleicht laut Beschreibung Geschwindigkeit und Kosten, nicht Korrektheit.
+- ⚠️ Werblicher Kontext (Glaido, Hostinger) in der Beschreibung; ob Aussagen zur Leistung davon berührt sind, ist nicht erkennbar.
+- Offen: ob die 6-Sekunden-Angabe Wandzeit oder reine Modellzeit misst.

wiki/concepts/llm/jev-praxis-demos.md

@@ -1,7 +1,7 @@
 ---
 created: 2026-09-18
 updated: 2026-09-18
-sources: [youtube/2026-09-18_berman-jev.md, xpost/2026-09-15_almeida-jev-launch-post.md, xpost/2026-09-18_gregisenberg-jev-vercel-gateway.md, other/2026-09-19_jev-flyer-kombi-revolution.md, other/2026-09-19_jev-flyer-v11-korrektur.md]
+sources: [youtube/2026-09-18_berman-jev.md, youtube/2026-09-19_nate-herk-jev-12-use-cases.md, xpost/2026-09-15_almeida-jev-launch-post.md, xpost/2026-09-18_gregisenberg-jev-vercel-gateway.md, other/2026-09-19_jev-flyer-kombi-revolution.md, other/2026-09-19_jev-flyer-v11-korrektur.md]
 tags: [concept, llm, jev, typesafe-ai, bauprojekte, doom, wikipedia-race, schach, agent-loop, sponsoring, kalibrierung]
 ---
 
@@ -81,6 +81,28 @@ Der Flyer wurde nach dieser Prüfung **überarbeitet**; der Kurzlink https://tel
 
 Der Kern bleibt belastbar: **Die 0,09 Sekunden sind eine Mikroentscheidungs-Latenz, kein vollständiger Inhaltsanalyse-Lauf.** Das ist die erste Stelle in dieser Akte, an der eine Behauptung nach Prüfung tatsächlich nachgezogen wurde, statt nur weiterzuwandern.
 
+## Praxistests auf Workflow-Ebene (19.09.2026)
+
+Der bislang praxisnächste Test kommt von **[[../../people/nate-herk.md|Nate Herk]]** („I Tested Jev on 12 Real Use Cases", 19.09.2026, 13.549 Aufrufe, kein Transkript; Raw: `raw/youtube/2026-09-19_nate-herk-jev-12-use-cases.md`). Anwendungsfälle: E-Mail-/Support-Triage, Kommentar-Routing, X-Feed-Classifier (Erweiterung), Clip-/CRM-/Vertrags-Vorfilter, Paper-Trading-Prototyp.
+
+Seine Zahlen, gegen Preis und Rate Limits gerechnet:
+
+| Test | laut Video | Token (aus $0,042/MTok) | pro Einheit |
+|------|-----------|--------------------------|-------------|
+| 1.000 Mails, 7 Regeln | 6 s / 9 Cent (vorher 70 s / 9 Cent) | 2,14 Mio. | ~2.143 |
+| 1.000 Mails, 1 Ja/Nein-Regel | 4 s / 5 Cent | 1,19 Mio. | ~1.190 |
+| 1.000 YouTube-Kommentare | 5 s / 5 Cent | 1,19 Mio. | ~1.190 |
+| Dashboard | 20.000 Requests / 85 Cent | 20,24 Mio. | ~1.012 |
+| LLM-Vergleich, 1.000 Mails | 5 min / 62 Cent | — | — |
+
+**Befund 1 — die Kostenwerte sind intern konsistent.** Die Differenz zwischen 7-Regel- und 1-Regel-Lauf (≈950 Token) entspricht rund 160 Token pro Zusatzfrage; die 1.012 Token pro Request aus dem Dashboard liegen zwischen beiden Mail-Werten. Alle vier Angaben sind mit **derselben** Preisformel vereinbar — das ist in dieser Akte die Ausnahme.
+
+**Befund 2 — die Laufzeiten liegen an oder über den dokumentierten Limits.** 2,14 Mio. Token in 6 s verlangen ~357.000 Token/s gegen 250.000 dokumentierte (**1,43×**); 1,19 Mio. in 4 s verlangen ~298.000 (**1,19×**); die 5-s-Angabe bleibt mit ~238.000 innerhalb. Auf der Request-Seite wären 1.000 Mails in 6 s bei einem Aufruf pro Mail **10.000 Requests/Minute** — das Achtfache des dokumentierten Limits (1.200/min). Das geht nur mit Bündelung mehrerer Mails pro Aufruf (bei ~2.100 Token/Mail erlauben die 64k/32k-Grenzen etwa 14) oder mit erhöhtem Kontingent. **Nicht als Widerspruch geführt**, sondern als offene Frage: konservative Doku, Sonderkontingent oder optimistische Stoppuhr.
+
+**Befund 3 — der Praktiker zieht die richtige Grenze.** „Jev ersetzt kein LLM": es schreibt nicht, fasst nicht frei zusammen, erkennt keine offenen Muster; es braucht vorab definierte Fragen, Kategorien und Skalen. Für Browser-Steuerung muss es an etwas übergeben, das tatsächlich handelt. Seine Empfehlung — **Evals mit Golden Dataset** gegen stärkere LLMs vor jedem Produktiveinsatz — deckt sich mit der Label-Kritik ([[../../people/gabriel-anhaia.md|Anhaia]]) und mit [[../../people/cj-zafir.md|CJ Zafirs]] „Jev + LLMs".
+
+⚠️ Kein Transkript erreichbar (Bot-Check), Zahlen über das Bot-Briefing; **Genauigkeitswerte nennt das Briefing nicht** — verglichen werden Geschwindigkeit und Kosten, nicht Korrektheit. Beschreibung mit werblichen Elementen (Glaido, Hostinger).
+
 ## Verwandte Wiki-Seiten
 
 - [[system-one-models-jev.md]] — Modell, RLCD, Anbieterangaben, unabhängiger Every-Test

wiki/concepts/llm/system-one-models-jev.md

@@ -1,7 +1,7 @@
 ---
 created: 2026-09-17
 updated: 2026-09-18
-sources: [blog/2026-09-15_typesafe-system-one-models-jev.md, blog/2026-09-15_every-mike-taylor-jev-vibe-check.md, youtube/2026-09-17_aicopium-typesafe-jev.md, blog/2026-09-16_theregister-typesafe-jev-doom.md, blog/2026-09-16_vercel-jev-ai-gateway.md, xpost/2026-09-18_gregisenberg-jev-vercel-gateway.md, xpost/2026-09-15_almeida-jev-launch-post.md, youtube/2026-09-18_berman-jev.md, other/2026-09-17_typesafe-workflow-evals.md, blog/2026-09-17_devto-jev-vs-luna-bake-off.md, other/2026-09-18_typesafe-docs-jev-spezifikation.md, xpost/2026-09-18_cjzafir-jev-3-40-dollar-erfahrung.md, youtube/2026-09-18_gary-explains-jev-caveat.md]
+sources: [blog/2026-09-15_typesafe-system-one-models-jev.md, blog/2026-09-15_every-mike-taylor-jev-vibe-check.md, youtube/2026-09-17_aicopium-typesafe-jev.md, blog/2026-09-16_theregister-typesafe-jev-doom.md, blog/2026-09-16_vercel-jev-ai-gateway.md, xpost/2026-09-18_gregisenberg-jev-vercel-gateway.md, xpost/2026-09-15_almeida-jev-launch-post.md, youtube/2026-09-18_berman-jev.md, youtube/2026-09-19_nate-herk-jev-12-use-cases.md, other/2026-09-17_typesafe-workflow-evals.md, blog/2026-09-17_devto-jev-vs-luna-bake-off.md, other/2026-09-18_typesafe-docs-jev-spezifikation.md, xpost/2026-09-18_cjzafir-jev-3-40-dollar-erfahrung.md, youtube/2026-09-18_gary-explains-jev-caveat.md]
 tags: [concept, llm, typesafe, jev, system-one-models, rlcd, structured-outputs, calibrated-decisions, parallel-sampling, inference-cost, automation, harness]
 ---
 
@@ -167,6 +167,8 @@ Neben Benchmarks und Verteilung entstand eine Welle öffentlicher Bauprojekte
 
 Zwei Tage nach der Ankündigung erreicht Jev die allgemeine Tech-Erklärebene: **Gary Explains** veröffentlichte am 18.09.2026 ein Video („…is a New Class of AI Model that is FAST and CHEAP - But There is a Caveat!"), dessen Beschreibung den Kern sauber benennt: Jev ist **kein LLM**, sondern „versteht natürliche Sprache und antwortet mit strukturierten Antworten samt Konfidenzwert". Kein neuer Faktenlieferant, sondern ein Verbreitungssignal. Metadata-only, kein Transkript: `raw/youtube/2026-09-18_gary-explains-jev-caveat.md`.
 
+Am **19.09.2026** folgt die Praktikerebene: [[../../people/nate-herk.md|Nate Herk]] testet Jev in zwölf Automatisierungsworkflows und zieht die gleiche Grenze — Jev ersetzt kein LLM, sondern übernimmt definierte Einzelentscheidungen; vor dem Produktiveinsatz empfiehlt er Evals mit **Golden Dataset**. Seine Zahlen passen zum Preismodell (≈2.143 Token pro Mail bei 9 Cent/1.000 Mails), seine Laufzeitangaben liegen teils am dokumentierten Rate Limit — Details und Rechnung: [[jev-praxis-demos.md]].
+
 ## Offene Punkte
 
 - ⚠️ **Alle Leistungszahlen sind Anbieterangaben** außer dem einen Every-Einzeltest (37 Dokumente, 12 Passagen, 1.709 Judgments). Keine peer-reviewte Evaluation, keine breite Fremdprüfung.

wiki/index.md

@@ -2,7 +2,8 @@
 
 *Auto-generated: 2026-07-07*
 
-*Letzte Aktualisierung: 2026-09-19 (231. Update — Tom Griffiths (Princeton) bei Dr Brian Keating: „Princeton Cognitive Scientist Says AI Researchers Are Wrong". Anlass: Das Video zirkulierte in der OME-Gruppe über den Kurzlink `https://tinyurl.com/2b7rnxmh`; das deutsche Audio-Briefing „Warum KI völlig anders denkt als wir" (22:52) nennt es in seinem eigenen Kopf als Originalquelle. **Beide Enden der Kette geprüft:** oEmbed bestätigt Titel/Autor/Autoren-URL; der Kurzlink löst per HTTP 302 auf `youtube.com/watch?v=6iMiCJHxTww` auf (die frühere Behauptung, der Shortener sei tot, ist falsch); Watch-Seite zusätzlich mit `hl=de` abgerufen — Titel deutsch lokalisiert, identische Zeitmarken, Likes 3.337, Aufrufe 198.871, publishDate **29.04.2026**. **Kein Transkript:** keine `captionTracks` in der EN- wie DE-Seite (~1,6 MB HTML je Abruf), `lengthSeconds` nicht im Seiten-JSON → keine Dauerangabe im Wiki. Inhalt deshalb ausschließlich aus Beschreibung + 22 Kapitelmarken (00:00–50:10): Kind lernt Sprache aus „Brotkrumen" vs. „Kontinente" an Daten; Skalierung schließt die Lücke nicht, „it'll just get more expensive"; **Sycophancy statt Halluzination** als eigentliches Problem; AGI eher über kindliches Denken als über Scale; historische Achse Aristoteles → 17.-Jh.-KI-Traum → Boole → Turing → Rosenblatt/Minsky → Backpropagation. Buchverweis „The Laws of Thought" (Henry Holt, **10.02.2026**, 400 S., via Google Books verifiziert; dt. „Die Gesetze des Denkens"). Wiki: `concepts/agi/kognition-vs-skalierung.md` (neu), `people/tom-griffiths.md` (neu), `people/brian-keating.md` (neu), `institutions/princeton.md` (neu). Raw: `raw/youtube/2026-09-19_princeton-griffiths-ai-researchers-wrong.md` (neu, metadata-only). ⚠️ Die inhaltliche Rahmung („AI Researchers Are Wrong") stammt vom Kanal; das Briefing ist Sekundärprodukt und mangels Transkript nicht gegen das Video haltbar.)*
+*Letzte Aktualisierung: 2026-09-19 (232. Update — Jev-Praxistest auf Workflow-Ebene: Nate Herk, „I Tested Jev on 12 Real Use Cases" (19.09.2026, 13.549 Aufrufe, ~16:08, **kein Transkript** — yt-dlp erneut Bot-Check). Anlass: YouTube-Link von Pit in OME Topic „JEV". **Eigene Zahlenprüfung (Preis $0,042/MTok, Limits 250k tok/s · 1.200 req/min):** (a) **die Kostenwerte sind intern konsistent** — 9 Cent / 1.000 Mails = 2,14 Mio. Token = ~2.143 Token/Mail; 5 Cent / 1.000 Mails = 1,19 Mio. = ~1.190 (Δ ≈160 Token pro Zusatzfrage bei sieben statt einer Regel); Dashboard 20.000 Requests / 85 Cent = ~1.012 Token/Request. Alle vier Werte folgen **derselben** Preisformel — in dieser Akte die Ausnahme. (b) **die Laufzeiten liegen an oder über den dokumentierten Limits:** 2,14 Mio. Token in 6 s verlangen ~357.000 tok/s gegen 250.000 (**1,43×**), 1,19 Mio. in 4 s ~298.000 (**1,19×**), die 5-s-Angabe bleibt bei ~238.000 innerhalb; requests-seitig wären 1.000 Mails in 6 s bei einem Aufruf/Mail **10.000 req/min** = 8× das Limit → nur mit Bündelung (~14 Mails/Request bei ~2.100 Token) oder Sonderkontingent. **Nicht als Widerspruch geführt, sondern als offene Frage.** (c) **der Praktiker zieht die richtige Grenze:** „Jev ersetzt kein LLM" (schreibt nicht, fasst nicht frei zusammen, erkennt keine offenen Muster; braucht vorab definierte Fragen/Kategorien/Skalen); Empfehlung **Evals mit Golden Dataset** vor Produktiveinsatz. Genauigkeitswerte nennt das Briefing **nicht** — verglichen werden Tempo und Kosten. Beschreibung mit werblichen Elementen (Glaido, Hostinger). Wiki: `people/nate-herk.md` (neu); Update `concepts/llm/jev-praxis-demos.md` (Abschnitt „Praxistests auf Workflow-Ebene" mit Rechentabelle), `concepts/llm/system-one-models-jev.md` (Rezeptions-Abschnitt um die Praktikerebene ergänzt). Raw: `raw/youtube/2026-09-19_nate-herk-jev-12-use-cases.md` (neu).)*
+*Vorherige Aktualisierung: 2026-09-19 (231. Update — Tom Griffiths (Princeton) bei Dr Brian Keating: „Princeton Cognitive Scientist Says AI Researchers Are Wrong". Anlass: Das Video zirkulierte in der OME-Gruppe über den Kurzlink `https://tinyurl.com/2b7rnxmh`; das deutsche Audio-Briefing „Warum KI völlig anders denkt als wir" (22:52) nennt es in seinem eigenen Kopf als Originalquelle. **Beide Enden der Kette geprüft:** oEmbed bestätigt Titel/Autor/Autoren-URL; der Kurzlink löst per HTTP 302 auf `youtube.com/watch?v=6iMiCJHxTww` auf (die frühere Behauptung, der Shortener sei tot, ist falsch); Watch-Seite zusätzlich mit `hl=de` abgerufen — Titel deutsch lokalisiert, identische Zeitmarken, Likes 3.337, Aufrufe 198.871, publishDate **29.04.2026**. **Kein Transkript:** keine `captionTracks` in der EN- wie DE-Seite (~1,6 MB HTML je Abruf), `lengthSeconds` nicht im Seiten-JSON → keine Dauerangabe im Wiki. Inhalt deshalb ausschließlich aus Beschreibung + 22 Kapitelmarken (00:00–50:10): Kind lernt Sprache aus „Brotkrumen" vs. „Kontinente" an Daten; Skalierung schließt die Lücke nicht, „it'll just get more expensive"; **Sycophancy statt Halluzination** als eigentliches Problem; AGI eher über kindliches Denken als über Scale; historische Achse Aristoteles → 17.-Jh.-KI-Traum → Boole → Turing → Rosenblatt/Minsky → Backpropagation. Buchverweis „The Laws of Thought" (Henry Holt, **10.02.2026**, 400 S., via Google Books verifiziert; dt. „Die Gesetze des Denkens"). Wiki: `concepts/agi/kognition-vs-skalierung.md` (neu), `people/tom-griffiths.md` (neu), `people/brian-keating.md` (neu), `institutions/princeton.md` (neu). Raw: `raw/youtube/2026-09-19_princeton-griffiths-ai-researchers-wrong.md` (neu, metadata-only). ⚠️ Die inhaltliche Rahmung („AI Researchers Are Wrong") stammt vom Kanal; das Briefing ist Sekundärprodukt und mangels Transkript nicht gegen das Video haltbar.)*
 *Vorherige Aktualisierung: 2026-09-19 (230. Update — AgentCloak Desktop: „Zero Data Sending" für Fremd-Chatbots + Rampart-Model-Card. Anlass: Brian Roemmele quotete am 19.09.2026 (03:07 UTC) die AgentCloak-Ankündigung von Peter Yared (18.09.2026, 14:47 UTC, 1,99 Mio. Views) mit „Using this now! You should too. Dario don't like it. AgentCloak…" — vier Zeilen, kein Beleg. **Sache geprüft, nicht nur der Post:** Pressemitteilung (Business Wire 18.09.) + Produktseite incountry.com/products/agentcloak-desktop/ + **die Model-Card der Detektionskomponente lokal gelesen**. Produkt: kostenlose Browser-Extension (Chrome/Safari/Edge) bzw. Desktop-App (Mac/Windows), tauscht PII **lokal** gegen konsistente „digital twins" („Peter Parker" → „Julio Schmidt") und setzt sie in der Antwort zurück; Anbieter nennt das **Zero Data Sending** und grenzt es explizit von Retention-Zusagen ab. Erkannt (gratis): Namen, E-Mail, Telefon, URLs, SSN/Tax-ID, Bankverbindungen, Adressen; 7 Latin-Script-Sprachen. Detection kommt **nicht aus eigenem Haus**: **Rampart** (National Design Studio, US-Regierung) — 14,7 MB ONNX, MiniLM-L6-H384, 35-Label-BIO-Head, CC BY 4.0, **98,42 % Private Recall / 91,69 % Public Retention** (30k held-out OpenPII, 7 Sprachen), 6,6 ms p50 Node · **3,9 ms WebGPU** · 12,6 ms WASM; selbst gemeldet: **2.082 Leaks / 131.707 Terme**. ⚠️ **Der harte Bruch steht in der Card:** Latin-ASCII-Namen ~100 %, **Nicht-Latin-Schriften 13,7 % (103/750)** — Russisch 2,4 %, Arabisch 4,8 %, Hindi 5,6 %, Han 8,8 %, Koreanisch 15,2 %, Japanisch 45,6 %; Regierungs-IDs ~67,6 % (keine Prüfsumme, kein Backstop); Zero-Width/Prompt-Injection im Span nicht zuverlässig gefangen (Card: „not a security boundary against motivated adversaries"). Einordnung: **Maskierungs- statt Verlagerungsstrategie** — man behält Frontier-Modelle und schickt keine Identität; unterscheidet sich kategorial von lokaler Inferenz (`pocketpal-ai`, `perplexity-portable-computer`). Wiki: `tools/agentcloak-desktop.md` (neu), `people/peter-yared.md` (neu), `institutions/incountry.md` (neu); Update `people/brian-roemmele.md` (neuer Abschnitt + Post-Tabelle + Cross-Refs). Raw: `raw/blog/2026-09-18_agentcloak-desktop-launch.md` (neu), `raw/other/2026-09-19_rampart-model-card.md` (neu), `raw/xpost/2026-09-19_roemmele-agentcloak-dario.md` (neu). ⚠️ „CB100", „$50 Mio." und „Global 2000" = Anbieter-Selbstauskunft, nicht unabhängig geprüft; das 117,5-s-4K-Video des Posts **nicht** ausgewertet.)*
 *Vorherige Aktualisierung: 2026-09-19 (229. Update — Flyer **Version 11**: Korrektur verifiziert. Anlass: Pit postete in OME Topic „JEV" (12:59 UTC) die überarbeitete Fassung; der Kurzlink https://telegra.ph/Jev-Flyer-09-19 führt fest auf die jeweils aktuelle Version (Weiterleitungsseite 12:45:09 UTC), v11 unter `…-09-19-11` (12:55:27 UTC). **Am Text verifiziert übernommen:** (a) die zwei Läufe sind getrennt — „reine Entscheidungszeit … 0,09 s" gegen „Gesamtlauf inkl. Öffnen/Extrahieren: rund 14 Sekunden. Kosten gesamt: 0,15 Dollar", samt Rechenweg (3,57 Mio. Token / 250k tok/s ≈ 14 s) direkt im Flyer; (b) **„181×" entfernt** — Zeichenkette kommt in v11 nicht mehr vor, ersetzt durch „~4.500× / ~3,2×" mit dem LLM-Wert als ausdrücklicher „Gesamtprojektion"; (c) Konsistenzcheck Stufe 2 ergänzt (0,18 s/PDF Wandzeit, bewusst nicht mit der 0,09-s-Heuristik vermischt); (d) vierte Grafik getauscht. **Verbleibende Beanstandung:** Die neue „~4.500× **in der reinen Entscheidungszeit**" mischt weiterhin zwei Bezugsgrößen — Zähler 408 s ist die Gesamtprojektion des LLM-Wegs, Nenner 0,09 s Jevs reine Entscheidung; sauber wären **Gesamt gegen Gesamt ≈ 29×**. Dazu ein abgebrochenes Zitat („Die frühere Formel „") und „Jeff" statt „Jev" (Abschnitt 9). Wiki: `concepts/llm/jev-praxis-demos.md` (Abschnitt „Dateisortierung" um „Folge: Version 11 (verifizierte Korrektur)" erweitert). Raw: `raw/other/2026-09-19_jev-flyer-v11-korrektur.md` (neu — Fassungsvergleich, Nachprüfung, Restbeanstandungen); Erstfassung bleibt unverändert. Einordnung: erste Stelle dieser Akte, an der eine geprüfte Behauptung tatsächlich nachgezogen wurde statt weiterzuwandern.*
 *Vorherige Aktualisierung: 2026-09-19 (228. Update — Jev-Flyer „Die Kombi-Revolution" (Pit Weber, Telegraph) + Zahlenprüfung. Anlass: Pit postete den mit GrokBot/Sprachsteuerung erstellten Flyer in OME Topic „JEV" (19.09., 12:49 UTC; Seite 12:43:54 UTC, 4 imgur-Bilder). **Inhalt:** Kernformel „Die große KI denkt nach. Jev entscheidet und lenkt in Millisekunden"; Eigenmessung Dateisortierung **304 Objekte → 8 Ordner**, LLM-Weg 0,48 $/6,8 min gegen Jev-Weg 0,15 $/**0,09 s** („181-mal schneller, selbst gemessen"); Stufe 2 **400 PDFs, 340 klassifiziert** in ~1,2 min; **Selbstkorrektur im Text:** „Der Live-Lauf mit 304 Items in 0,09 Sekunden war Namens-/Format-Heuristik. Die Inhaltsprüfung ist der dokumentierte Upgrade-Pfad." **Eigene Zahlenprüfung gegen die Anbieter-Limits (250k tok/s, $0,042/MTok):** (a) die 0,09 s **stützen** die Selbstkorrektur — 250k×0,09 = max. 22.500 Token = **≤74 Token/Datei**, also Dateinamen, keine Inhalte; (b) **0,09 s und $0,15 sind unvereinbar**: $0,15 = 3,57 Mio. Input-Token = **mind. ~14,3 s** (Faktor ~159) — die beiden Werte können nicht denselben Lauf beschreiben; (c) **181× folgt aus keiner genannten Zahl** (Zeitverhältnis 408/0,09 = **~4.533×**, Kostenverhältnis **3,2×**; für 181× müsste der Vergleichslauf 2,25 s gedauert haben); (d) **340/400 = 85 %** ist eine Qualitätszahl in einem Tempo-Absatz; (e) PDF-Öffnen und Textextraktion sind **Fremdschritte** — Jev nimmt nur Text entgegen, bei 0,18 s pro PDF liegt die Laufzeit praktisch dort. Wiki: `concepts/llm/jev-praxis-demos.md` (neuer Abschnitt „Dateisortierung — Eigenmessung aus der Gruppe" mit Rechentabelle). Raw: `raw/other/2026-09-19_jev-flyer-kombi-revolution.md` (neu).)*
@@ -450,6 +451,7 @@
 | [Alex (@The_Alex)](people/alex-the-alex.md) | Kleiner X-Account, „Jev can play Melee" (17.09.2026, 2.478 Views). Reine Behauptung; Gegenpol zur Viralitäts-These (Reichweite und Substanz hier gleich gering) | youtube/2026-09-18_berman-jev.md |
 | [Andy Gao](people/andy-gao.md) | Entwickler (@instantricecook, **563 Follower**, verifiziert, gao.haus): „I built a voice controlled computer-use for my mac using @typesafeai's Jev" (18.09.2026, **139.442 Views** — Reichweite aus dem Thema, nicht aus dem Account). Erster Demo-Erbauer, dessen Material eine **visuelle Prüfung der Kernaussage** zulässt (STT + 9 Standbilder). ⚠️ Keine Beziehung zu TypeSafe bekannt, kein Code | xpost/2026-09-18_andy-gao-jev-voice-computer-use.md |
 | [CJ Zafir](people/cj-zafir.md) | Entwickler (@cjzafir, **64.375 Follower**, verifiziert), Bio „I fine-tune small language models (SLMs) and beat large language models". **Erfahrungsbericht zu Jev** (18.09.2026, 33.238 Views): „I burned **$3.40 on Jev in 24 hours**" — erster Ausgabenwert aus echter Nutzung (≈81 Mio. Input-Token, ~19 Postfach-Durchläufe). Kern „**Jev + LLMs**" (System-1-Controller für Routing, Tool-Wahl, Scoring) trägt; ⚠️ zwei Punkte überzeichnet („lernt aus einem Prompt" = Konfiguration; „32k → 1M wird RAG reparieren" — Doku kennt 64k/32k, kein 1M). Eigeninteresse: kleine Modelle | xpost/2026-09-18_cjzafir-jev-3-40-dollar-erfahrung.md |
+| [Nate Herk](people/nate-herk.md) | Betreiber von **Nate Herk \| AI Automation** (@nateherk), Fokus Automatisierungsworkflows (AI Automation Society, X @nateherk). **Praktikerebene zu Jev** (19.09.2026, 13.549 Aufrufe, ~16:08, kein Transkript): zwölf Anwendungsfälle, Live-Builds (X-Feed-Classifier, Paper-Trading-Prototyp), Kostenvergleich gegen LLM-Workflow. Seine Kostenwerte **passen zum Preismodell** (siehe `concepts/llm/jev-praxis-demos.md`); Laufzeiten liegen teils am dokumentierten Rate Limit (offene Frage). Empfehlung: **Evals mit Golden Dataset** vor Produktiveinsatz — deckt sich mit Anhaias Label-Kritik und Zafirs „Jev + LLMs". ⚠️ Beschreibung mit werblichen Elementen | youtube/2026-09-19_nate-herk-jev-12-use-cases.md |
 | [Ryan Vogel](people/ryan-vogel.md) | Entwickler/Unternehmer (@ryanvogel, 18.201 Follower): „ceo of @rebasetv / founding developer @opencode @anomalyco", Standort Florida. Gast der Episode „Jev is HERE. How to use it" bei Greg Isenberg (18.09.2026). Relevanz fürs Wiki v. a. über **OpenCode** (Open-Source-Coding-Agent, Partnermodus von DeepSeek V4.1 Flash). ⚠️ Episode-Inhalt nicht ausgewertet; Rebase-TV-Selbstbeschreibung ungeprüft | xpost/2026-09-18_gregisenberg-jev-vercel-gateway.md |
 
 | [Tom Griffiths](people/tom-griffiths.md) | **Thomas L. Griffiths**, Henry-R.-Luce-Professor für Information Technology, Consciousness and Culture an [Princeton](institutions/princeton.md) (Psychologie + Informatik), Leiter des Computational Cognitive Science Lab; laut Klappentext Leiter des Princeton AI Lab. Australischer Kognitionswissenschaftler, bekannt für **Bayes'sche Modelle der Kognition** und *Algorithms to Live By* (mit Brian Christian, 2016). 2026: **„The Laws of Thought"** (Henry Holt, 10.02.2026, 400 S.; dt. „Die Gesetze des Denkens") — die drei Wege, Denken zu formalisieren: Regeln/Symbole, neuronale Netze, Wahrscheinlichkeit/Statistik. ⚠️ Video-Thesen („AI Researchers Are Wrong") stammen aus der Videobeschreibung, kein Transkript | youtube/2026-09-19_princeton-griffiths-ai-researchers-wrong.md |
@@ -746,6 +748,7 @@
 | `raw/xpost/2026-09-18_cjzafir-jev-3-40-dollar-erfahrung.md` | xpost | CJ Zafir (@cjzafir, 64.375 Follower): „I burned $3.40 on Jev in 24 hours. It's not Jev vs current LLMs. It'll be Jev + LLMs" (https://x.com/cjzafir/status/2100991512020725788, 18.09.2026 16:53 UTC; 33.238 Views / 517 Likes; geteilt von Pit in OME Topic „JEV"). Zehn Punkte mit Volltext-Prüfung: ✅ Punkte 3/4/5/7/8/9/10 dokukonform; ⚠️ Punkt 2 („learn from 1 prompt" = Konfiguration) und Punkt 6 (32k→1M-RAG) überzeichnet; Text-Only-Grenze nicht erwähnt. Kosten-Gegenrechnung ≈81 Mio. Input-Token. Wiki: `people/cj-zafir.md` (neu) |
 | `raw/other/2026-09-19_jev-flyer-kombi-revolution.md` | other | Pit Weber: **Flyer „Jev — Die Kombi-Revolution"** (https://telegra.ph/Jev--Die-Kombi-Revolution-09-19-10, 19.09.2026 12:43 UTC; mit GrokBot & Sprachsteuerung; 4 imgur-Bilder) — 9 Abschnitte von „Was ist Jev" bis Robotik-Ausblick, inkl. Berman-Video mit CC-Hinweis. **Eigenmessung:** 304 Objekte → 8 Ordner in 0,09 s für $0,15 („181× schneller"); Stufe 2: 400 PDFs, 340 klassifiziert in ~1,2 min; **Selbstkorrektur:** 0,09 s = Namens-/Format-Heuristik. **Zahlenprüfung:** 0,09 s vs. $0,15 unvereinbar (~159×), 181× nicht ableitbar (Zeit 4.533×, Kosten 3,2×), 85 % Erfolgsquote, PDF-Extraktion als Jev-Fremdschritt. Wiki: `concepts/llm/jev-praxis-demos.md` |
 | `raw/other/2026-09-19_jev-flyer-v11-korrektur.md` | other | **Flyer Version 11 — Korrektur-/Verifikationsdatei** (https://telegra.ph/Jev--Die-Kombi-Revolution-09-19-11, 12:55:27 UTC; Kurzlink https://telegra.ph/Jev-Flyer-09-19 führt fest auf die aktuelle Fassung). Erstfassung v10 bleibt unverändert. Verifiziert: Trennung Entscheidungszeit (0,09 s) vs. Gesamtlauf (~14 s / 0,15 $) samt Rechenweg im Text; „181×" **entfernt**; LLM-Wert als „Gesamtprojektion"; Konsistenzcheck Stufe 2; vierte Grafik getauscht. Restbeanstandung: „~4.500× in der reinen Entscheidungszeit" mischt Basis (Zähler = LLM-Gesamtprojektion) → sauber Gesamt/Gesamt ≈ 29×; abgebrochenes Zitat; „Jeff" statt „Jev". Wiki: `concepts/llm/jev-praxis-demos.md` |
+| `raw/youtube/2026-09-19_nate-herk-jev-12-use-cases.md` | youtube | Nate Herk („I Tested Jev on 12 Real Use Cases. My Honest Thoughts.", https://www.youtube.com/watch?v=ymgH8jS6Wb8, 19.09.2026, 13.549 Aufrufe, ~16:08; geteilt von Pit in OME Topic „JEV"; **kein Transkript**, 0 `captionTracks`, yt-dlp Bot-Check). Beschreibung + 10 Kapitelmarken (E-Mail-Benchmark, X-Erweiterung, Evals, Trading). Zahlen über das Bot-Briefing: 1.000 Mails/7 Regeln 6 s/9 Cent (vorher 70 s), 1.000 Mails/1 Regel 4 s/5 Cent, 1.000 Kommentare 5 s/5 Cent, Dashboard 20.000 Requests/85 Cent, LLM-Vergleich 5 min/62 Cent. **Rechnung im Raw:** Kosten konsistent (~2.143/1.190/1.012 Token), Laufzeiten 1,43×/1,19× über dem Token-Limit, 8× über dem Request-Limit. Wiki: `people/nate-herk.md` (neu), `concepts/llm/jev-praxis-demos.md` |
 | `raw/xpost/2026-09-15_almeida-jev-launch-post.md` | xpost | Diogo Almeida ([@CompleteSkeptic](https://x.com/CompleteSkeptic), 113.333 Follower; Bio „co-created RLHF/ChatGPT @ @openai … (ceo @typesafeai)"): **Jev-Launch-Post** (15.09.2026 18:17 UTC, 34.903.594 Views / 69.647 Likes bei Abruf). Wortlaut: „After co-inventing ChatGPT…"; Zahlen als **Spannen** „20-200x faster / 40-400x cheaper (w/ output tokens free)" — die kursierenden 200×/400× sind die Obergrenzen. Wiki: `people/diogo-almeida.md` (Launch-Post-Abschnitt), `concepts/llm/system-one-models-jev.md` |
 | `raw/youtube/2026-09-18_gary-explains-jev-caveat.md` | youtube | Gary Explains (18.09.2026, geteilt von plebcoach Andreas in OME): „Jev From TypeSafe is a New Class of AI Model that is FAST and CHEAP - But There is a Caveat!" — 17.324 Aufrufe beim Abruf; **kein Transkript** (keine captionTracks), Angaben aus oembed + Videobeschreibung. Beschreibung: „Jev is a new class of AI model from TypeSafe. It is FAST and CHEAP, but there is a caveat, it isn't an LLM. It is a model that understands natural language but it replies with structured responses along with a confidence level." Wiki: `concepts/llm/system-one-models-jev.md` (Rezeptions-Abschnitt). ⚠️ Videoinhalt nicht ausgewertet; Zahlen im Video = Hersteller-vermittelt |
 | `raw/blog/2026-09-19_cursor-grok-bot-plans-und-trial.md` | blog | Cursor-Doku + x.ai-Announcement (abgerufen 19.09.2026): Grok-Bot-Zugang (jeder bezahlte Cursor-Plan + Teams; Pro/Pro+/Ultra-Wochenquoten; Verknüpfung Einzel-SuperGrok/Plus/Heavy/X Premium+ als Nutzungs-Grant, **nicht stapelbar**, permanent, 24-h-Nachziehfenster; SuperGrok Lite/Team/Enterprise nicht enthalten), Free Trial (Nutzungs-Guthaben + 7-Tage-Fenster, wird nie bezahlter Plan, „Cancel Trial" sofort, iOS-App-Store-Trial ≠ Guthaben-Trial, Android ohne In-App-Trial), On-demand (nur wenn aktiviert; Monatslimit = kein harter Stopp; Teams default an), Preise Hobby gratis · Individual $20/Mo (Pro/Pro+/Ultra) · Teams $40/User/Mo. Wiki: `tools/grok-bot-spacexai.md` |

wiki/log.md

@@ -2,6 +2,27 @@
 
 *Append-only changelog. Start: 2026-06-05*
 
+## 2026-09-19 — Jev-Praxistest auf Workflow-Ebene: Nate Herk (12 Use Cases)
+
+**Type:** ingest + wiki-update | **Scope:** raw/youtube, wiki/people, wiki/concepts/llm, wiki/index, wiki/log
+**Anlass:** YouTube-Link https://www.youtube.com/watch?v=ymgH8jS6Wb8 von Pit Weber in OME Topic „JEV" (19.09.2026 21:24 UTC).
+**Quellenlage:** Kanal **Nate Herk | AI Automation** (@nateherk), ~16:08, 13.549 Aufrufe beim Abruf. **Kein Transkript** — 0 `captionTracks`; yt-dlp scheitert erneut am Bot-Check („Sign in to confirm you're not a bot", auch mit `--js-runtimes node`). Ausgewertet: oembed-Metadaten, strukturierte Videobeschreibung, zehn Kapitelmarken. Die Zahlen stammen aus dem **Bot-Briefing von HermanButlerBot**, nicht aus eigener Videoauswertung — im Raw klar als solche markiert.
+**Kapitel:** What Jev Is · Speed/Cost/Limits · Email Classification Benchmark · Comments/Communities · X Feed Chrome Extension · Meetings & Video Clips · Evals & More Use Cases · Real-Time Trading & Handoffs · Final Thoughts. Beschreibung mit werblichen Elementen (Glaido, Hostinger-Codes), ohne „paid promotion"-Kennzeichnung.
+**Eigene Rechnung (Preis $0,042/MTok, Limits 250.000 tok/s · 1.200 req/min):**
+1. **Die Kostenwerte sind intern konsistent.** 9 Cent / 1.000 Mails = 2,14 Mio. Token ≈ 2.143 Token/Mail; 5 Cent / 1.000 Mails = 1,19 Mio. ≈ 1.190; 5 Cent / 1.000 Kommentare = 1,19 Mio. ≈ 1.190; Dashboard 20.000 Requests / 85 Cent = 20,24 Mio. ≈ 1.012/Request. Die Differenz zwischen Sieben-Regel- und Ein-Regel-Lauf (≈950 Token) entspricht rund **160 Token pro zusätzlicher Frage** — plausible Größe. **Alle vier Angaben folgen derselben Preisformel**; das ist in dieser Akte die Ausnahme, weil die meisten anderen Quellen genau hier auseinanderfallen.
+2. **Die Laufzeiten liegen an oder über den dokumentierten Rate Limits.** 2,14 Mio. Token in 6 s verlangen ~357.000 tok/s (Limit 250.000 → **1,43× darüber**); 1,19 Mio. in 4 s verlangen ~298.000 (**1,19×**); die 5-s-Angabe bleibt mit ~238.000 innerhalb. Requests-seitig wären 1.000 Mails in 6 s bei einem Aufruf pro Mail **10.000 Requests/Minute** — das Achtfache des Limits. Möglich nur mit Bündelung mehrerer Mails pro Aufruf (bei ~2.100 Token/Mail erlauben 64k/32k etwa 14) oder mit Sonderkontingent. **Nicht als Widerspruch geführt, sondern als offene Frage** — im Gegensatz zur Flyer-Prüfung, wo die Unvereinbarkeit eindeutig war.
+3. **Der erste Lauf ist der interessanteste.** 70 s für 2,14 Mio. Token entsprechen ~30.600 tok/s — weit unter dem Limit. Die Parallelisierung brachte den Faktor ~12 auf die Wandzeit, nicht auf die Kosten (beide 9 Cent). Ein schöner Beleg dafür, dass das Limit nicht die Token-Rate, sondern die Requests pro Minute drückt.
+4. **Genauigkeit wird nicht berichtet.** Das Briefing nennt ausschließlich Tempo und Kosten. Das Video vergleicht laut Beschreibung Geschwindigkeit/Kosten — nicht Trefferquoten. Damit bleibt die Frage „wie viele der 1.000 Mails sind korrekt sortiert?" offen.
+**Inhaltlich bemerkenswert:** Die Grenzziehung des Praktikers ist die klarste Fassung der Kombi-These — „Jev ersetzt kein LLM": es schreibt nicht, fasst nicht frei zusammen, erkennt keine offenen Muster, braucht vorab definierte Fragen/Kategorien/Skalen; für Browser-Steuerung muss es an etwas übergeben, das tatsächlich handelt. Seine Empfehlung: **Evals mit Golden Dataset** gegen stärkere LLMs vor dem Produktiveinsatz — deckt sich mit Anhaias Label-Kritik und Zafirs „Jev + LLMs".
+**Dateien:**
+- raw (NEW): `raw/youtube/2026-09-19_nate-herk-jev-12-use-cases.md`
+- wiki (NEW): `wiki/people/nate-herk.md`
+- wiki (UPDATED): `wiki/concepts/llm/jev-praxis-demos.md` (Abschnitt „Praxistests auf Workflow-Ebene" mit Rechentabelle), `wiki/concepts/llm/system-one-models-jev.md` (Rezeptions-Abschnitt um die Praktikerebene ergänzt)
+- `wiki/index.md` (232. Update-Zeile, People-Row, Raw-Row)
+**⚠️:** Kein Transkript; Zahlen über das Bot-Briefing; keine Genauigkeitswerte; werblicher Kontext in der Beschreibung.
+
+---
+
 ## 2026-09-19 — Tom Griffiths (Princeton) bei Brian Keating: „AI Researchers Are Wrong"
 
 **Type:** ingest + wiki-update | **Scope:** raw/youtube, wiki/concepts/agi, wiki/people, wiki/institutions, wiki/index, wiki/log

wiki/people/nate-herk.md

@@ -0,0 +1,30 @@
+---
+created: 2026-09-19
+updated: 2026-09-19
+sources: [youtube/2026-09-19_nate-herk-jev-12-use-cases.md]
+tags: [person, nate-herk, ai-automation, youtube, jev, evals, golden-dataset]
+---
+
+# Nate Herk
+
+Betreiber des YouTube-Kanals **Nate Herk | AI Automation** ([@nateherk](https://www.youtube.com/@nateherk)) mit Fokus auf Automatisierungsworkflows; Newsletter- und Community-Angebote (AI Automation Society), X [@nateherk](https://x.com/nateherk), Instagram, Kontakt nate@smoothmedia.co in der Videobeschreibung.
+
+## Auftritt im Wiki
+
+**„I Tested Jev on 12 Real Use Cases. My Honest Thoughts."** ([19.09.2026](https://www.youtube.com/watch?v=ymgH8jS6Wb8), 13.549 Aufrufe bei Abruf, ~16:08). Der Kanal ist im Wiki die **Praktikerebene**: kein Erklärformat über Architektur, sondern ein Test mit zwölf Anwendungsfällen, Live-Builds (X-Erweiterung, Paper-Trading-Prototyp) und Kostenvergleich gegen einen LLM-Workflow. Kein Transkript erreichbar (Bot-Check), Zahlen über das Bot-Briefing — siehe [[../concepts/llm/jev-praxis-demos.md]].
+
+Bemerkenswert sind zwei Dinge:
+
+- **Seine Zahlen passen zum Preismodell.** 9 Cent für 1.000 Mails mit sieben Regeln ergeben bei $0,042/MTok rund 2.143 Token pro Mail; das Dashboard mit 20.000 Requests für 85 Cent ergibt ~1.012 Token pro Request. Beide Werte sind mit derselben Preisformel vereinbar — anders als in der Mehrzahl der bisherigen Quellen.
+- **Seine Empfehlung ist die richtige Reihenfolge:** Evals mit Golden Dataset gegen stärkere LLMs, bevor Jev in eine Produktionsautomatisierung wandert. Das deckt sich mit der Label-Kritik an den Anbieter-Evals ([[../people/gabriel-anhaia.md|Gabriel Anhaia]], 17.09.2026).
+
+Seine Grenzziehung — Jev ersetzt kein LLM, es braucht vorab definierte Fragen und Skalen — ist die klarste Fassung der „Jev + LLMs"-These von einem Praktiker; sie deckt sich mit [[../people/cj-zafir.md|CJ Zafirs]] Erfahrungsbericht.
+
+⚠️ Die Videobeschreibung enthält **werbliche Elemente** (Glaido-Sprach-zu-Text mit Code, Hostinger-VPS mit Rabattcode), ohne „paid promotion"-Kennzeichnung. Kein Transkript verfügbar; Genauigkeitswerte nennt das Briefing nicht.
+
+## Verwandte Wiki-Seiten
+
+- [[../concepts/llm/jev-praxis-demos.md]] — Praxistests und Demo-Welle mit Zahlenprüfung
+- [[../concepts/llm/system-one-models-jev.md]] — Modell, Spezifikation, Benchmarks
+- [[../people/matthew-berman.md]] — andere Praktiker-/Erklärebene
+- [[../people/gabriel-anhaia.md]] — Prüf-Maßstab für Guardrail-/Modelltausche